“利用ARIMA模型对时间序列进行分析的经典案例（详细代码）”一文中会遇到的问题总结（二）

最近又有好些朋友来咨询掌柜关于使用ARIMA模型对时间序列进行预测的👉这篇博客 中遇到了一些问题，这里掌柜再次收集大家的问题来一一解答。

PS: 本博客假定大家已经具备ARIMA模型的基础知识！！！

问题汇总如下：

• 怎么判断我的数据是否适合ARIMA模型呢？
• 得到的时序预测图是负值，明显不对。怎样保证为正值？
• 想要最后预测的数据，而不是预测的平稳数据，怎么拿到？
• 想获取预测点的值应该怎么做的，没有API接口呀，可以告知一下吗？
• 不需要做ADF检验吗？
• 怎么确定ARMA/ARIMA的最优模型？
• 还原到原始时间序列那一步应该是要加在平稳序列预测的结果上吧。代码第95行中的ts_record,运行完之后是原始数据呀，这样还是对非平稳的原始序列进行预测的？
• 在pr = result.predict(‘1988’, ‘2020’,typ=‘levels’) 里面加入了typ参数 就和这个结果是一样的。请问是不是typ这个参数控制输出预测值的类型呢？
• 最后用真实值预测的时候，真实值和预测值的线性变化图趋势很接近。但是用 result.predict(‘1988’, ‘2020’)想将模型的预测值导出来的时候，发现输出结果和真实值差别很大，将真实值和输出值单独做线图也差别很大，是为什么？
• statsmodels的版本是多少？
• AttributeError: ‘NoneType’ object has no attribute 'fit’报错如何解决？

该篇博客先解决前面六个问题，

1. 怎么判断我的数据是否适合（非季节性）ARIMA模型呢?

答：
一般需要遵循两点：

• 时序数据本身具有一定的趋势性，差分过后可以去除趋势，让时序呈现平稳状态；
• 可以通过历史数据的较强自相关性（自相关性指时间序列滞后值之间的线性关系）对未来进行预测；且受随机噪声的影响不大。

2. 得到的时序预测图是负值，明显不对。怎样保证为正值？

答：
首先思考一下，为何时序预测会出现负值？不同案例中可能存在多个客观因素干扰，但是大致会有这么几种情况：

• 第一种：你的时序数据本身是呈现递减趋势，而且差分后波动幅度不大，那么预测就会出现负值的情况；
• 第二种：预测的步长太长，超过实际可预测区间；
• 第三种：时序数据中存在缺失值或NULL值，你之前处理缺失值或NULL值的时候，用 0填充过，所以才会后面